[发明专利]一种针对峰值负荷及其出现时间的预测方法及其装置

权利要求书

1.一种针对峰值负荷及其出现时间的预测方法，其特征在于，包括如下步骤：

构建电力负荷数据集并进行归一化处理，设置多个基准预测模型，基于电力负荷数据集建立基于梯度下降算法的集成学习模型；

通过训练好的集成学习模型进行电力负荷预测，从预测结果中提取最大预测峰值负荷作为输入向量以及该峰值负荷出现时间作为标签，构建峰值负荷数据集；

建立基于前馈神经网络的电力峰值负荷及出现时间的预测模型，根据峰值负荷数据集对其进行迭代训练，得到训练好的预测模型，通过所述训练好的预测模型进行峰值负荷及其出现时间的预测。

2.如权利要求1所述的针对峰值负荷及其出现时间的预测方法，其特征在于，所述构建电力负荷数据集并进行归一化处理包括：通过最大最小归一化，得到归一化负荷输入特征矩阵以及归一化待预测负荷标签矩阵。

3.如权利要求2所述的针对峰值负荷及其出现时间的预测方法，其特征在于，所述负荷输入特征矩阵由时间信息、温度信息、节假日信息以及负荷增长趋势项组成，其中所述时间信息包括时间的数字编码和正余弦编码。

4.如权利要求1至3任一项所述的针对峰值负荷及其出现时间的预测方法，其特征在于，方法还包括：随机抽取电力负荷数据集中预设比例样本作为训练集、验证集以及测试集。

5.如权利要求4所述的针对峰值负荷及其出现时间的预测方法，其特征在于，所述基于电力负荷数据集建立基于梯度下降算法的集成学习模型包括：

在训练集上，基于均方误差损失函数利用梯度下降法对每一个基准预测模型进行参数更新，得到多个训练好的基准预测模型；

将验证集输入训练好的基准预测模型，获得负荷预测输出；

基于基准预测模型输出进行集成学习，构建集成学习模型。

6.如权利要求4所述的针对峰值负荷及其出现时间的预测方法，其特征在于，所述通过所述训练好的预测模型进行峰值负荷及其出现时间的预测包括：将测试集上的负荷输入特征矩阵输入预测模型，得到日前峰值负荷预测值、峰值负荷及其出现时间预测值；

基于日前峰值负荷预测值更新归一化函数参数，利用更新后的归一化函数参数获得反归一化峰值负荷及其出现时间预测值。

7.如权利要求5所述的针对峰值负荷及其出现时间的预测方法，其特征在于，所述均方误差损失函数的表达式如下：

上式中，N表示电力负荷数据集样本数，Y_train表示训练集待预测负荷标签矩阵，f(X_train)表示基准预测模型。

8.如权利要求5所述的针对峰值负荷及其出现时间的预测方法，其特征在于，所述基于基准预测模型输出进行集成学习的损失函数表达式如下：

上式中，M表示基准预测模型数量，Y_val表示验证集待预测负荷标签矩阵，W^T表示基准预测模型输出权重列向量的倒置，表示基准预测模型集F的峰值负荷预测值。

9.如权利要求1所述的针对峰值负荷及其出现时间的预测方法，其特征在于，在所述电力峰值负荷及出现时间的预测模型中，针对电力峰值负荷预测的损失函数如下：

上式中，N′表示峰值负荷数据集样本数，Y_peak表示真实峰值负荷值，表示所以基准预测模型的峰值负荷预测值；

针对峰值负荷出现时间预测的损失函数如下：

上式中，y_i为真实峰值负荷出现的小时标签，p_i表示神经网络输出类别为i的概率。

10.一种针对峰值负荷及其出现时间的预测装置，应用到如权利要求1至9任一项所述的方法，其特征在于，包括：

模型构建模块，用于构建电力负荷数据集并进行归一化处理，设置多个基准预测模型，基于电力负荷数据集建立基于梯度下降算法的集成学习模型；

数据集构建模块，用于通过训练好的集成学习模型进行电力负荷预测，从预测结果中提取最大预测峰值负荷作为输入向量以及该峰值负荷出现时间作为标签，构建峰值负荷数据集；

模型训练模块，用于建立基于前馈神经网络的电力峰值负荷及出现时间的预测模型，根据峰值负荷数据集对其进行迭代训练，得到训练好的预测模型；

预测模块，用于通过所述训练好的预测模型进行峰值负荷及其出现时间的预测。